/ Модель

Характеристики

Контекст
512 токенов
Параметры
169 млн
Лицензия
CC BY 4.0
Архитектура
bert · dense
Базовая модель
LaBSE
Опубликована
3 ноя 2024

TEmA-small

Сходство предложенийТекст → score8 профессий

TEmA-small кодирует азербайджанские предложения и абзацы в эмбеддинги для семантического поиска, кластеризации и сравнения смысловой близости.

95скачиваний за 30 дней0лайковвеса обновлены3 ноя 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

TEmA-small — дообученная на базе многоязычной BERT-модели LaBSE модель для сравнения смысловой близости азербайджанских текстов. Она кодирует предложения и абзацы в плотные векторы размерности 768; базовая модель LaBSE строит общее пространство эмбеддингов для 109 языков. Репозиторий содержит веса PyTorch объёмом около 168,7 млн параметров, максимальная длина контекста — 512 токенов.

Модель подходит для семантического поиска, кластеризации текстов и ранжирования предложений по смысловой близости. В README приведены результаты сравнительных тестов STS и показатели точности при использовании косинусного, манхэттенского и евклидова расстояний. Модель распространяется по лицензии CC BY 4.0. Специализация заявлена для азербайджанского языка; результаты на других языках в карточке отдельно не подтверждены.

Сценарии применения

  • семантический поиск по азербайджанским документам
  • поиск похожих предложений на азербайджанском языке
  • кластеризация азербайджанских текстов по смыслу
  • ранжирование текстов по семантической близости

Ограничения

Специализация модели заявлена для азербайджанских текстов; качество на других языках в карточке не подтверждено. Максимальная длина контекста составляет 512 токенов.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

TEmA-small

This model is a fine-tuned version of the LaBSE, which is specialized for sentence similarity tasks in Azerbaijan texts. It maps sentences and paragraphs to a 768-dimensional dense vector space, useful for tasks like clustering, semantic search, and more.

Benchmark Results

STSBenchmarkbiosses-stssickr-stssts12-stssts13-stssts15-stssts16-stsAverage PearsonModel
0.82530.78590.79240.84440.74900.81410.76000.7959TEmA-small
0.78720.83030.78010.79780.69630.80520.77940.7823Cohere/embed-multilingual-v3.0
0.79270.66720.77580.81220.73120.78310.74160.7577BAAI/bge-m3
0.75720.81390.73280.76460.63180.75420.70920.7377intfloat/multilingual-e5-large-instruct
0.72520.78010.72500.67250.74460.73010.74540.7318Cohere/embed-multilingual-v2.0
0.74850.77140.72710.71700.64960.75700.72550.7280intfloat/multilingual-e5-large
0.72450.82370.68390.65700.71250.76120.73860.7288OpenAI/text-embedding-3-large
0.73630.81480.70670.70500.65350.75140.70700.7250sentence-transformers/LaBSE
0.73760.79170.71900.74410.62860.74610.70260.7242intfloat/multilingual-e5-small
0.71920.81980.71600.73380.58150.73180.69730.7142Cohere/embed-multilingual-light-v3.0
0.69600.81850.69500.67520.58990.71860.67900.6960intfloat/multilingual-e5-base
0.58300.24860.59210.55930.55590.54040.52890.5155antoinelouis/colbert-xm

STS-Benchmark

Accuracy Results

  • Cosine Distance: 96.63
  • Manhattan Distance: 96.52
  • Euclidean Distance: 96.57

Usage

from transformers import AutoTokenizer, AutoModel
import torch

# Mean Pooling - Take attention mask into account for correct averaging
def mean_pooling(model_output, attention_mask):
   token_embeddings = model_output[0] #First element of model_output contains all token embeddings
   input_mask_expanded = attention_mask.unsqueeze(-1).expand(token_embeddings.size()).float()
   return torch.sum(token_embeddings * input_mask_expanded, 1) / torch.clamp(input_mask_expanded.sum(1), min=1e-9)

# Function to normalize embeddings
def normalize_embeddings(embeddings):
   return embeddings / embeddings.norm(dim=1, keepdim=True)

# Sentences we want embeddings for
sentences = [
   "Bu xoşbəxt bir insandır",
   "Bu çox xoşbəxt bir insandır", 
   "Bu gün günəşli bir gündür"
]

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('LocalDoc/TEmA-small')
model = AutoModel.from_pretrained('LocalDoc/TEmA-small')

# Tokenize sentences
encoded_input = tokenizer(sentences, padding=True, truncation=True, max_length=128, return_tensors='pt')

# Compute token embeddings
with torch.no_grad():
   model_output = model(**encoded_input)

# Perform pooling
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

# Normalize embeddings
sentence_embeddings = normalize_embeddings(sentence_embeddings)

# Calculate cosine similarities
cosine_similarities = torch.nn.functional.cosine_similarity(
   sentence_embeddings[0].unsqueeze(0), 
   sentence_embeddings[1:], 
   dim=1
)

print("Cosine Similarities:")
for i, score in enumerate(cosine_similarities):
   print(f"Sentence 1 <-> Sentence {i+2}: {score:.4f}")

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
BertModel
Ревизия весов
f5e2139

0 моделей